發(fā)布時(shí)間：2020-06-29 14:20

【摘要】：在臨床醫(yī)學(xué)中,視網(wǎng)膜眼底圖像是眼科醫(yī)生用于診斷糖尿病視網(wǎng)膜病變(糖網(wǎng)病變)的主要依據(jù)。但由于人工診斷過(guò)程耗時(shí)耗力又嚴(yán)重依賴于診斷醫(yī)生的專業(yè)能力,無(wú)法滿足逐年上升的病患需求,導(dǎo)致不少病人得不到及時(shí)的診斷從而延誤了最佳治療時(shí)機(jī)。因此,眼底圖像的糖網(wǎng)病變的自動(dòng)分類的研究與實(shí)現(xiàn),對(duì)于糖網(wǎng)病變的及時(shí)發(fā)現(xiàn)與治療有著重要意義。本文主要針對(duì)于眼底數(shù)據(jù)集數(shù)據(jù)不平衡、眼底圖像中病灶特征分布稀疏以及深度學(xué)習(xí)模型缺乏解釋性問(wèn)題,基于深度學(xué)習(xí)和主動(dòng)學(xué)習(xí)等方法,研究并設(shè)計(jì)一個(gè)準(zhǔn)確高效的糖網(wǎng)病變分類模型,本文的主要研究?jī)?nèi)容包括以下三個(gè)方面:1.針對(duì)眼底數(shù)據(jù)集類別間數(shù)據(jù)量極不平衡的問(wèn)題,提出了基于多任務(wù)網(wǎng)絡(luò)的改進(jìn)的AIFT(active,incremental fine-tuning)算法,對(duì)AIFT算法中的主動(dòng)篩選樣本、噪聲樣本清除和持續(xù)微調(diào)方法進(jìn)行改進(jìn)。實(shí)驗(yàn)證明,改進(jìn)的算法與AIFT算法相比可以節(jié)省20%的訓(xùn)練時(shí)間,與隨機(jī)選擇增量訓(xùn)練樣本相比可以減少40%訓(xùn)練時(shí)間。2.針對(duì)眼底圖像中病灶特征分布稀疏、傳統(tǒng)深度學(xué)習(xí)模型可解釋性低的問(wèn)題,提出了基于病灶檢測(cè)的糖網(wǎng)病變分類模型。首先,基于圖像切片對(duì)眼底圖像中關(guān)鍵病灶(出血、滲出和微動(dòng)脈瘤)進(jìn)行檢測(cè),提高了模型的可解釋性。其次,結(jié)合病灶檢測(cè)結(jié)果對(duì)多任務(wù)網(wǎng)絡(luò)的結(jié)果進(jìn)行修正。實(shí)驗(yàn)證明該模型準(zhǔn)確率達(dá)到了79%,敏感度達(dá)到了68%。3.設(shè)計(jì)并實(shí)現(xiàn)了糖網(wǎng)病變分類系統(tǒng),對(duì)患者的糖網(wǎng)病變病情進(jìn)行自動(dòng)診斷與管理,并將患者相應(yīng)的病情診斷級(jí)別和病灶檢測(cè)結(jié)果進(jìn)行可視化呈現(xiàn)。在實(shí)際臨床測(cè)試中,本系統(tǒng)體現(xiàn)出了較高的實(shí)用價(jià)值。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R587.2;R774.1;TP391.41
【圖文】：

Inception 模塊。(a)Inception-resnet-B；(b)Inception-resnet-B；(c)InceseNet近幾年卷積神經(jīng)網(wǎng)絡(luò)（CNN）取得的出色成績(jī)，深度學(xué)習(xí)得出現(xiàn)了如 GoogleNet，VGGNet，ResNet 等用于計(jì)算機(jī)視覺(jué)出的卷積神經(jīng)網(wǎng)絡(luò)模型。然而在卷積神經(jīng)網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)過(guò)程中網(wǎng)絡(luò)的前傳信號(hào)和梯度信號(hào)會(huì)在經(jīng)過(guò)多層后逐漸消失個(gè)問(wèn)題，提出了很多很好的構(gòu)思，例如在 Highway 和 ResN提出了一種數(shù)據(jù)旁路（skip-layer）的技術(shù)來(lái)實(shí)現(xiàn)輸入層和輸流通，這種方法的核心思想是通過(guò)創(chuàng)建跨層連接來(lái)實(shí)現(xiàn)網(wǎng)基于這種思路，高煌等人[11]設(shè)計(jì)了一種全新的網(wǎng)絡(luò)不同層-10 所示，高煌等人通過(guò)將網(wǎng)絡(luò)中的所有層兩兩連接，實(shí)現(xiàn)信息流的最大化，因此網(wǎng)絡(luò)中的每個(gè)層都會(huì)接受其前面的的輸入，這樣該網(wǎng)絡(luò)就具有大量的密集連接，因此作者將該

首先，糖網(wǎng)病變是一個(gè)五分類任務(wù)，由于病變級(jí)別間存在連續(xù)性，使用信息熵來(lái)度量預(yù)測(cè)結(jié)果的差異性存在一定問(wèn)題，因此在主動(dòng)篩選候選樣本時(shí)的選擇標(biāo)準(zhǔn)需要進(jìn)行改進(jìn)，同樣，噪聲樣本的剔除方法也需要針對(duì)多分類任務(wù)進(jìn)行優(yōu)化；其次，對(duì)于類似眼底圖像數(shù)據(jù)集這種極不平衡的數(shù)據(jù)級(jí)來(lái)說(shuō)，僅通過(guò)候選樣本篩選方法自主優(yōu)化數(shù)據(jù)平衡問(wèn)題的效果不佳；最后，在 AIFT 算法中并沒(méi)有對(duì)網(wǎng)絡(luò)模型多次的微調(diào)時(shí)很容易造成模型的災(zāi)難性遺忘問(wèn)題進(jìn)行解決。由于病變級(jí)別間存在連續(xù)性，但對(duì)計(jì)算交叉熵的分類網(wǎng)絡(luò)來(lái)說(shuō)，將 4 級(jí)病變錯(cuò)分至 0 級(jí)或 3 級(jí)相同，為了對(duì)此進(jìn)行優(yōu)化，本章在 Inception-Resnet 中添加了基于 MSE（均方誤差）的回歸預(yù)測(cè)任務(wù)，得到了一個(gè)多任務(wù)模型。在模型中均方誤差考慮了錯(cuò)誤預(yù)測(cè)與真實(shí)標(biāo)簽之間的差異程度，但是均方誤差的引入同時(shí)也導(dǎo)致了對(duì)新模型的優(yōu)化會(huì)比通常的分類更難。因此，本章在多任務(wù)網(wǎng)絡(luò)的基礎(chǔ)上對(duì)于AIFT 算法進(jìn)行改進(jìn)，改進(jìn)后的 AIFT 算法的流程如圖 3-7 所示，通過(guò)基于回歸預(yù)測(cè)的候選樣本主動(dòng)篩選、基于 K 值的噪聲樣本清洗和基于蒸餾損失的模型微調(diào)來(lái)對(duì) AIFT 算法進(jìn)行改進(jìn)，以期提高訓(xùn)練效率，減少訓(xùn)練時(shí)間。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高宏杰;邱天爽;丑遠(yuǎn)婷;周明;張曉博;;基于改進(jìn)U型網(wǎng)絡(luò)的眼底圖像血管分割[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2019年01期

2 吉浩;劉靈;李璐;趙丹丹;;眼底圖像處理與分析中的關(guān)鍵技術(shù)研究[J];中國(guó)繼續(xù)醫(yī)學(xué)教育;2018年27期

3 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗(yàn)系統(tǒng)對(duì)眼底的臨床觀察與研究[J];臨床醫(yī)學(xué)工程;2013年01期

4 劉愛(ài)珍,馬斌榮,徐亮,楊樺,孫秀英;眼底圖像融合[J];中國(guó)醫(yī)學(xué)影像技術(shù);2003年11期

5 陸輝輝;夏海英;;基于機(jī)器學(xué)習(xí)對(duì)眼底圖像視網(wǎng)膜血管分割方法[J];廣西物理;2018年Z1期

6 高瑋瑋;程武山;沈建新;左晶;張愛(ài)華;;免散瞳眼底圖像在糖尿病視網(wǎng)膜病變自動(dòng)篩查中的應(yīng)用[J];激光生物學(xué)報(bào);2015年04期

7 楊艷;邵楓;;基于雙字典學(xué)習(xí)的眼底圖像血管分割[J];光電子·激光;2019年02期

8 盛韓偉;戴培山;劉智航;張文妙韻;趙亞麗;范敏;;基于拓?fù)浣Y(jié)構(gòu)的眼底圖像分割評(píng)價(jià)新方法[J];生物醫(yī)學(xué)工程學(xué)雜志;2015年05期

9 咼明;陳長(zhǎng)征;劉劍萍;聶尚武;;一款適用于糖尿病視網(wǎng)膜病變遠(yuǎn)程篩查的軟件[J];眼科;2010年01期

10 姜平;竇全勝;王晶;;基于局部自適應(yīng)點(diǎn)特異度閾值的眼底圖像血管分割方法研究[J];南京大學(xué)學(xué)報(bào)(自然科學(xué));2015年01期

相關(guān)會(huì)議論文 前6條

1 王子亮;潘林;余輪;;基于矢量方法的眼底圖像預(yù)處理[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

2 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗(yàn)系統(tǒng)對(duì)眼底的臨床觀察與研究[A];“廣東省光學(xué)學(xué)會(huì)2013年學(xué)術(shù)交流大會(huì)”暨“粵港臺(tái)光學(xué)界產(chǎn)學(xué)研合作交流大會(huì)”會(huì)議手冊(cè)論文集[C];2013年

3 唐甜華;唐建清;聶天宇;王貴學(xué);葉志義;;基于眼底圖像的視網(wǎng)膜血管三維重建[A];第十二屆全國(guó)生物力學(xué)學(xué)術(shù)會(huì)議暨第十四屆全國(guó)生物流變學(xué)學(xué)術(shù)會(huì)議會(huì)議論文摘要匯編[C];2018年

4 黃君鑫;;紅外眼底鏡的研究[A];中國(guó)光學(xué)學(xué)會(huì)2006年學(xué)術(shù)大會(huì)論文摘要集[C];2006年

5 陳驥;彭承琳;劉成冬;;眼底照相機(jī)圖像采集處理系統(tǒng)設(shè)計(jì)[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

6 ;外賓介紹[A];中國(guó)眼底病論壇·全國(guó)眼底病專題學(xué)術(shù)研討會(huì)論文匯編[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 周磊;深度學(xué)習(xí)在糖網(wǎng)病篩查中的研究與應(yīng)用[D];上海交通大學(xué);2018年

2 熊荔;基于彩色眼底圖的圖像分析與疾病自動(dòng)診斷算法研究[D];北京理工大學(xué);2017年

3 連劍;多光譜眼底圖像處理算法研究[D];山東師范大學(xué);2019年

4 張欣鵬;彩色眼底圖像微動(dòng)脈瘤檢測(cè)方法研究[D];天津工業(yè)大學(xué);2017年

5 姜平;眼底圖像分割方法研究[D];吉林大學(xué);2018年

6 韓松濤;眼底圖像的血管特征分析[D];吉林大學(xué);2010年

7 金凱;重要眼病基于計(jì)算機(jī)輔助圖像分析診斷技術(shù)研究[D];浙江大學(xué);2018年

8 高瑋瑋;眼底圖像分割算法及應(yīng)用研究[D];南京航空航天大學(xué);2013年

9 姚暢;眼底圖像分割方法的研究及其應(yīng)用[D];北京交通大學(xué);2009年

10 王玉亮;眼底圖像處理與分析中的關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 吳廣賢;基于圖像處理的糖尿病視網(wǎng)膜病變輔助診斷研究[D];華北水利水電大學(xué);2019年

2 李英;眼底圖像中微小目標(biāo)檢測(cè)算法的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2019年

3 劉江明;眼底圖像的糖網(wǎng)病變分類研究與實(shí)現(xiàn)[D];電子科技大學(xué);2019年

4 徐宏;基于眼底圖像的糖尿病視網(wǎng)膜病變智能診斷[D];電子科技大學(xué);2019年

5 向陳君;眼底圖像的血管分割與基于視盤定位的滲出物檢測(cè)[D];華中師范大學(xué);2019年

6 王亞敏;全卷積神經(jīng)網(wǎng)絡(luò)在眼底圖像結(jié)構(gòu)中的應(yīng)用研究[D];電子科技大學(xué);2019年

7 王煜杰;眼底圖像病變區(qū)域的提取與識(shí)別[D];電子科技大學(xué);2019年

8 石小周;基于生成式對(duì)抗網(wǎng)絡(luò)眼底圖像生成與深度學(xué)習(xí)血管分割[D];北京交通大學(xué);2019年

9 商逸凡;基于數(shù)據(jù)增強(qiáng)的糖尿病性視網(wǎng)膜病變檢測(cè)[D];北京交通大學(xué);2019年

10 周葉萍;基于編碼器—解碼器結(jié)構(gòu)的眼底圖像中視網(wǎng)膜血管分割的方法研究[D];華南理工大學(xué);2019年

本文編號(hào)：2733972